Test de Kolmogorov-Smirnov
|
|
- Patricia Ortiz de Zárate Mora
- hace 7 años
- Vistas:
Transcripción
1 Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011
2 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar el rango de Y = Y j en k intervalos distintos: [y 0, y 1 ), [y 1, y 2 ),..., [y k 1, y k ), Considerar las n v.a. discretizadas Y d 1, Y d 2,..., Y d n dadas por Y d j = i si Y i [y j 1, y j ). La hipótesis nula es entonces H 0 ) P(Y d j = i) = F(y i ) F (y i 1 ), i = 1,..., k. Proceder ahora como en el caso discreto.
3 Test de Kolmogorov Smirnov Inconveniente: No es sencillo construir los intervalos a partir de las probabilidades. Se pierde información al agrupar los datos en intervalos. Aconsejable: Utilizar el test de Kolmogorov-Smirnov. Test de Kolmogorov Smirnov Compara las funciones de distribución empírica de la muestra y la que se desea contrastar. Es aplicable a distribuciones continuas. Para distribuciones discretas, los valores críticos no están tabulados. Para distribuciones continuas, los valores críticos están tabulados para: distribuciones con parámetros especificados, algunas distribuciones con parámetros no especificados (normal, Weibull, gamma, exponencial).
4 Aplicación del test K-S Observar Y 1, Y 2,..., Y n y considerar la distribución empírica F e (x) = #{i Y i x}. n F e (x): proporción de valores observados menores o iguales a x. Hipótesis nula: F e (x) es cercana a F(x). Estadístico de Kolmogorov-Smirnov D max F e (x) F (x), < x <. x
5 Implementación Ordenar los datos observados Y 1 = y 1, Y 2 = y 2,..., Y n = y n en orden creciente: y (j) = j ésimo valor más pequeño y (1) < y (2) < < y (n). Por ejemplo: y 1 = 3, y 2 = 5, y 3 = 1 y n = 3, entonces y (1) = 1, y (2) = 3, y (3) = 5. 0 x < y (1) 1 n y (1) x < y (2) Distribución empírica F e (x) = y (j) x < y (j+1). j n. 1 y (n) x
6 Gráficamente 1 F(x) y (1) y (2) y (3) y (4) y (5)
7 Estadístico de Kolmogorov-Smirnov D sup F e (x) F(x) <x< Podemos considerar las diferencias F e (x) F(x) y F (x) F e (x) y analizar sus valores máximos (supremos). D + = sup {F e (x) F(x)}, D = sup {F(x) F e (x)}. <x< <x< F e (y (n) ) = 1. Por lo tanto, D + 0. F e (x) = 0 si x < y (1), por lo que D 0. D = max{d +, D }
8 El estadístico D F (y (4) ) F e (y (3) ) 1 D F e (y (2) ) D + F (y (2) ) y (1) y (2) y (3) y (4)
9 Cálculo de D Notemos que: D + se alcanza en el límite inferior de algún intervalo, ya que F(x) es creciente y F e (x) es constante en [y (j 1), y (j) ): {( ) D + { ( ) ( )} j = max Fe y(j) F y(j) = max F ( ) } y (j) 1 j n 1 j n n D es el límite por izquierda calculado en el extremo derecho de algún intervalo, ya que F e (x) es discontinua en tal punto: ( ) j F e y(j) = n = F ( e y(j) ɛ ) + 1 n, ɛ pequeño. { D { ( ) ( )} = max F y(j) Fe y(j 1) = max F ( } ) j 1 y (j) 1 j n 1 j n n
10 Estadístico de Kolmogorov-Smirnov { j D = max 1 j n n F(y (j)), F (y (j) ) j 1 } n Estadístico de K-S Elegir un grado de significación (nivel de rechazo) α. Tomar la muestra y ordenar los datos observados. Calcular el estadístico D en los datos observados. Valor observado: D = d. Calcular el valor p = P F (D d). valor p < α: se rechaza H0. valor p > α: no se rechaza H0. Cómo calcular el valor p? Cuál es la distribución del estadístico D?
11 Estimación del valor p P F (D d) no depende de la distribución F. El estadístico D depende de las n observaciones Y 1, Y 2,..., Y n : D = sup x F e (x) F(x) = sup x Si Y tiene distribución F entonces F(Y ) U(0, 1). #{i Y i x} n Como F es una función creciente, entonces Y i x implica F (Y i ) F (x). F(x)
12 Estimación del valor p D = sup x #{i F (Y i ) F(x)} n Equivalentemente, se puede reemplazar F(x) F(Y i ) por U i, v.a. uniformemente distribuida en (0, 1), y F(x) por y [0, 1]. D = sup 0 y 1 #{i U i y} n y
13 Estimación del valor p D = sup 0 y 1 #{i U i y} n y Esta expresión no depende de la distribución F. valor p = P F (D d) = P U (D d), U U(0, 1). Puede estimarse mediante simulación: Generar n números aleatorios Ui, 1 i n, Evaluar D y comparar con el valor observado d de la muestra original. sup #{i U i y} y n d 0 y 1 Repetir el procedimiento r veces. Se estima el valor p como la proporción de veces que se cumple la desigualdad D d.
14 Estimación del valor p sup 0 y 1 #{i U i y} n y d Para calcular este supremo, procedemos como para el cálculo de d. D D + Ordenar u (1),..., u (n). Calcular max 1 j n { j n u (j), u (j) j 1 } n u (1) u (2) u (n)
15 Ejemplo Si n = 3 y U 1 = 0.7, U 2 = 0.6, U 3 = 0.4, entonces U (1) = 0.4, U (2) = 0.6, U (3) = 0.7, y el valor D para este conjunto de datos es { 1 D = max 3 0.4, , 1 0.7, 0.4, , } = /3 y = F (y) 1/
16 Ejemplo Se quiere probar la hipótesis que una determinada distribución es exponencial con media 100 F(x) = 1 e x/100. Los valores ordenados para una muestra de tamaño 10 para esta distribución son: 66, 72, 81, 94, 112, 116, 124, 140, 145, 155, qué conclusión puede obtenerse?
17 Ejemplo j j valores F (y j ) n F (y j 1 j) n F (y j) ,48-0,38 0, ,51-0,31 0, ,56-0,26 0, ,61-0,21 0, ,67-0,17 0, ,69-0,09 0, ,71-0,01 0, ,75 0,05 0, ,77 0,13-0, ,79 0,21-0,11 d = 0, Calcular el valor p mediante simulaciones. Si el p valor es 0.012, se rechaza la hipótesis nula.
18 Pruebas de bondad de ajuste si hay parámetros no especificados Caso discreto: test chi-cuadrado Dadas n observaciones, Y 1,..., Y n, éstas se agrupan en k intervalos distintos. La hipótesis nula está dada por H 0 ) P(Y i = j) = p j, para 1 j k, i = 1... n.. En algunos casos se tiene alguna hipótesis sobre la forma de la distribución pero no sobre los parámetros de la misma: media, desviación estándar, varianza, etc. Esto puede implicar que se desconozca p j : P(Y = j) = e λ λ j j! λ desconocido? En este caso, se estiman el o los parámetros desconocidos a partir de la muestra.
19 El caso discreto A partir de estas estimaciones, se obtienen las probabilidades estimadas: ˆp j. El estadístico es el siguiente: T = k (N j nˆp j ) 2 j=1 nˆp j Nj : cantidad de observaciones en el j-ésimo intervalo. ˆp j : probabilidad estimada, según H 0, que Y j caiga en la región j. Si el valor observado del estadístico es t, y se han debido estimar m parámetros: valor p = P(T t) P(χ 2 k 1 m t).
20 Ejemplo En un período de 30 días se registraron 6 días sin accidentes, 2 con un accidente, 1 con dos accidentes, 9 con 3 accidentes, 7 con 4 accidentes, 4 con 5 accidentes y 1 con 8 accidentes. Realizar una prueba de hipótesis para determinar si el número de accidentes sigue una distribución de Poisson. Estimamos la media λ de la distribución: número de accidentes = = 87. ˆλ = número de accidentes total de días = = (2.9)j ˆp j+1 = P(Y = j) = e, j = 0, 1, 2,... j!
21 Ejemplo Se establecen los k intervalos. Elegimos k = 6: I 1 = {0} I 2 = {1} I 3 = {2} I 4 = {3} I 5= {4} I 6 = {5, 6, 7,... } ˆp 1 = ˆp 4 = ˆp 2 = ˆp 5 = ˆp 3 = ˆp 6 = Frecuencias observadas: N 1 = 6, N 2 = 2, N 3 = 1, N 4 = 9, N 5 = 7, N 6 = 5. Frecuencias esperadas: 30 ˆp j, 1 j 6. Estadístico: T = 6 (N j 30 ˆp j ) 2 = ˆp j j=1
22 Valor p El valor observado del estadístico es t = Como se estimó 1 parámetro, y se consideraron 6 intervalos, se estima el valor p utilizando una distribución χ 2 con = 4 grados de libertad: valor p P(χ 2 4 > ) = Conclusión: se rechaza la hipótesis nula. Simulación para determinar el valor p La hipótesis nula no especifica completamente la distribución. El procedimiento es similar al caso anterior, pero los parámetros deben estimarse nuevamente en cada simulación.
23 Valor p con parámetros estimados - El modelo H 0 ) Los datos de la muestra Y 1, Y 2,..., Y n provienen de una distribución determinada, salvo por un conjunto de parámetros desconocidos θ 1,..., θ m. Primer paso ˆθj : estimación de θ j a partir de la muestra, j = 1, 2,..., m. ˆp j : si la distribución tiene parámetros ˆθ 1,..., ˆθ m. Estadístico T : T = k (N j nˆp j ) 2 j=1 nˆp j t valor observado del estadístico T.
24 Valor p con parámetros estimados Simulación Objetivo: estimar el valor p. ˆF: distribución propuesta en H0, con los parámetros estimados según la muestra. El procedimiento consiste en repetir r veces los siguientes pasos: 1. Generar Y 1,..., Y n ˆF. 2. Calcular N j = #{i Y i I j }, j = 1,..., k. 3. ˆθ1,sim,..., ˆθ m,sim : estimaciones de los parámetros a partir de los valores Y i generados. 4. p j (sim), probabilidades si la distribución tiene parámetros ˆθ 1,sim,..., ˆθ m,sim. 5. Calcular T : T = k (N j n p j ) 2 j=1 n p j
25 Valor p con parámetros estimados Luego de r pasos se han obtenido r valores para T : Ejemplo Parámetro estimado: ˆλ = 2.9. T 1, T 2,..., T r. valor p #{j T j t} r Valor del estadístico según la muestra: t = Simulación: 1. Generar 30 v.a. Poisson con media ˆλsim : estimación de λ según esta muestra. 3. pi : Probabilidad de tomar el valor i según una Poisson de parámetro ˆλ sim. 4. Calcular T. 5. valor p: proporción de valores de T mayores a
26 Test de Kolmogorov-Smirnov si hay parámetros no especificados Caso continuo H 0 ): Las v. a. Y 1,..., Y n provienen de una distribución F con parámetros desconocidos θ 1,..., θ m. Tomar una muestra Y 1,..., Y n. Estimar los parámetros a partir de la muestra: ˆΘ = (ˆθ 1,..., ˆθ m ). Calcular el estadístico a partir de la distribución con parámetros estimados: D = sup Fe (x) F ˆΘ(x). x d valor de D observado. valor p P F ˆΘ (D d) = P U(D d). Este valor sobreestima el valor de p.
27 Simulación del valor p Si p < α, se rechaza la hipótesis nula. Si está próximo o es mayor que α, se optimiza la estimación del valor p. Optimización: Luego de calcular d, a partir de la muestra: 1. Generar Y 1,..., Y n según la distribución F ˆΘ. 2. ˆΘ sim = (ˆθ 1,sim,..., ˆθ m,sim ): estimación de los parámetros según los datos simulados. 3. F e,sim : distribución empírica de los datos simulados. 4. Calcular el estadístico D :. D = sup x F e,sim (x) F ˆΘ sim (x) Repetir el procedimiento r veces, para obtener D 1,..., D r : valor p #{j D d r
Técnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesTest de Kolmogorov Smirnov Patricia Kisbye El test chi-cuadrado en el caso continuo
Test de Kolmogorov Smirov Técicas de validació estadística Bodad de auste Kolmogorov-Smirov Patricia Kisbye FaMAF 29 de mayo, 2008 Icoveiete: No es secillo costruir los itervalos a partir de las probabilidades.
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesTests de hipótesis. Técnicas de validación estadística Bondad de ajuste. Pruebas de bondad de ajuste. Procedimiento en una prueba de hipótesis
Tests de hipótesis Técnicas de validación estadística Bondad de ajuste Patricia Kisbye FaMAF 27 de mayo, 2008 Test - Prueba - Contraste. Se utilizan para contrastar el valor de un parámetro. Ejemplo: la
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
Más detallesCONCEPTOS FUNDAMENTALES
TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detallesGeneración de eventos en Procesos de Poisson
Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 26 de abril, 2012 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza
Más detallesTEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS
ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesINTERVALO DE CONFIANZA PARA LA PROPORCIÓN
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño
Más detallesTema 2. Contraste de hipótesis en una población
Tema 2. Contraste de hipótesis en una población Contenidos Introducción, las hipótesis nula y alternativa El procedimiento de contraste de hipótesis Errores de Tipo I y Tipo II, potencia del contraste
Más detallesProblemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.
Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces
Más detallesFORMULARIO. Rango intercuartílico: Diferencia entre el tercer y primer cuartil
FORMULARIO Dato: x 1, x 2,..., x N } Media: x = N i=1 x i N Rango intercuartílico: Diferencia entre el tercer y primer cuartil Varianza: 2 = N i=1 (x i x) 2 = N i=1 x2 i N x2 Deviación típica: = N i=1
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesEstadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11
Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
Más detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
Más detallesTest de suma de rangos
Test de suma de rangos Georgina Flesia FaMAF 4 de junio, 2013 Bondad de ajuste Se tiene una muestra de datos y se quiere contrastar la hipótesis H 0 ) Los datos provienen de la distribución F. Test chi-cuadrado
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov para una muestra Lilliefords Kolmogorov-Smirnov para dos muestras B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesSoluciones Examen de Estadística
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 15 de Febrero, 5 Cuestiones horas C1. Un programa se ejecuta desde uno cualquiera de cuatro periféricos A, B, C y D con arreglo
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesCAPITULO II : MARCO TEORICO.- 2.1 INTRODUCCIÓN A LA MODELACIÓN Y A LA SIMULACIÓN
CAPITULO II : MARCO TEORICO.- 2.1 INTRODUCCIÓN A LA MODELACIÓN Y A LA SIMULACIÓN 2.1.1 Definiciones. Simulación es la técnica numérica para conducir experimentos en una computadora digital. Estos experimentos
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
Más detalles9. EL VALOR-P. Para esta hipótesis alternativa, el valor-p es la probabilidad que queda a la derecha del valor Tobs. bajo la curva de densidad.
VALOR-P 9. EL VALOR-P. Hemos visto que para realizar una prueba de hipótesis se necesita el valor del correspondiente estadístico de prueba P. El valor de P se calcula en base a los datos muestrales. Por
Más detallesEstadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad.
Estadística II Examen Final - Enero 2012 Responda a los siguientes ejercicios en los cuadernillos de la Universidad. No olvide poner su nombre y el número del grupo de clase en cada hoja. Indique claramente
Más detallesUniversidad de Managua
Universidad de Managua UdeM Simulación de Sistemas Guía #2 Tema: Determinar si el conjunto de números Pseudoaleatorios dados, cumplen las pruebas estadísticas de uniformidad e independencia; para ser considerados
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detalles3. Análisis univariable y bivariable
FUOC P01/71039/00748 36 Investigación descriptiva: análisis de información 3. Análisis univariable y bivariable 3.1. Análisis univariable Como se ha visto, los métodos de análisis univariable se utilizan
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS
1 1. DATOS INFORMATIVOS PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS MATERIA: ESTADISTICA CODIGO: 11715 CARRERA: INGENIERIA DE SISTEMAS NIVEL: TERCERO
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detalles7. Distribución normal
7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o
Más detallesUnidad III Variables Aleatorias Unidimensionales
Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
Más detallesDistribuciones de probabilidad. El teorema central del límite
8 Distribuciones de probabilidad. El teorema central del límite Neus Canal Díaz 8.1. Introducción La distribución de frecuencias es uno de los primeros pasos que debemos realizar al inicio del análisis
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesEjercicios resueltos y propuestos sobre tests no paramétricos (Unidad 3)
Ejercicios resueltos y propuestos sobre tests no paramétricos (Unidad 3) Ejercicio 1 Los siguientes datos son las edades de una muestra de personas seleccionadas entre los visitantes de un Bingo. 32,23,64,31,74,44,61,33,66,73,
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detalles1. Límites normales de tolerancia: estos límites asumen que los datos son una muestra aleatoria de una distribución normal.
Límites de Tolerancia Los límites de tolerancia proporcionan un rango de valores para X tal que se puede tener 100(1-α) % de confianza que P por ciento de la población, de la cual provienen los datos,
Más detallesDistribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua
Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesUNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO
3er Encuentro de Usuarios de Stata en México UNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO Noé Becerra Rodríguez Fortino Vela Peón Mayo, 2011 Mo9vación Ac#vidad
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detalles3. VARIABLES ALEATORIAS
. VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detalles4. Medidas de tendencia central
4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable
Más detallesEjercicios de Vectores Aleatorios
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales
Más detallesEstadística Inferencial 3.7. Prueba de hipótesis para la varianza. σ gl = n -1. Es decir: Ho: σ 2 15 Ha: σ 2 > 15 (prueba de una cola)
UNIDAD III. PRUEBAS DE HIPÓTESIS 3.7 Prueba de hipótesis para la varianza La varianza como medida de dispersión es importante dado que nos ofrece una mejor visión de dispersión de datos. Por ejemplo: si
Más detallesEl supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.
El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento
Más detallesEstadística Inferencial. Sesión No. 8 Pruebas de hipótesis para varianza.
Estadística Inferencial. Sesión No. 8 Pruebas de hipótesis para varianza. Contextualización. En las dos sesiones anteriores se vieron métodos de inferencia estadística para medias y proporciones poblacionales.
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Al igual que la distribución binomial, la distribución
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detalles4,2 + 0,67 Y c) R 2 = 0,49. 3.- En la estimación de un modelo de regresión lineal se ha obtenido:
INTRODUCCIÓN A LA ESTADÍSTICA. Relación 4: REGRESIÓN Y CORRELACIÓN 1.- En una población se ha procedido a realizar observaciones sobre un par de variables X e Y. Xi 4 5 4 5 6 5 6 6 Yi 1 1 3 3 3 4 4 ni
Más detallesEstadística inferencial. Aplicación con el SPSS
Estadística inferencial. Aplicación con el SPSS Sabina Pérez Vicente Unidad de Calidad APES Hospital Costa del Sol sabina.perez.exts@juntadeandalucia.es Comparabilidad inicial de los grupos Se debe realizar
Más detallesEstadística Inferencial. Sesión 5. Prueba de hipótesis
Estadística Inferencial. Sesión 5. Prueba de hipótesis Contextualización. En la práctica, es frecuente tener que tomar decisiones acerca de poblaciones con base en información de muestreo. Tales decisiones
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. CURSO 01-013 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o B). - Cada una de las preguntas
Más detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesPropuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se
Más detalles1) Características del diseño en un estudio de casos y controles.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de casos y controles CONCEPTOS CLAVE 1) Características del diseño en un estudio de casos y controles. )
Más detallesÍndice general. 7.3.2. Intervalo de confianza para la media si la varianza poblacional es. conocida... 3. desconocida... 3
Índice general 7. Estimación por intervalos de confianza 1 7.1. Introducción.................................. 1 7.2. Método de construcción de intervalos de confianza: método pivotal.... 2 7.3. Intervalos
Más detallesPRUEBAS PARA DOS MUESTRAS RELACIONADAS
PRUEBAS PARA DOS MUESTRAS RELACIONADAS Estos contrastes permiten comprobar si hay diferencias entre las distribuciones de dos poblaciones a partir de dos muestras dependientes o relacionadas; es decir,
Más detallesGeneración de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación con EXCEL.
PRÁCTICAS DE ESTADÍSTICA 1º CURSO DE GRADO EN CC. AMBIENTALES Guión de la práctica 4: Curso 2009/2010 7/04/2010. Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación
Más detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICAAS A LAS CIENCIAS SOCIALES EJERCICIO Nº Páginas 2 OPTATIVIA: EL ALUMNO EBERÁ ESCOGER UNA E LAS OS OPCIONES
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detalles